Modares Mechanical Engineering
مهندسی مکانیک مدرس
Modares Mechanical Engineering
Engineering & Technology
http://mme.modares.ac.ir
1
admin
1027-5940
2476-6909
10.22034/mme
fa
jalali
1395
10
1
gregorian
2017
1
1
16
10
online
1
fulltext
fa
آشکارسازی زودهنگام خطا در وضعیت گذرای زیرمجموعه بخار نیروگاهی با استفاده از ماشین بردار پشتیبان
Early Fault Detection in Transient Conditions for a Steam Power Plant Subsystem Using Support Vector Machine
در این تحقیق، استفاده از ماشین بردار پشتیبان SVM)) به منظور آشکارسازی زودهنگام عیب افزایش سطح مخزن راهانداز در شرایط تغییر بار یک بویلر یک گذر نوع بنسون ارائه شده است. افزایش سطح مخزن راهاندازی به دلیل به هم خوردن شرایط حرارتی بویلر بخصوص هنگام کاهش توان کاری واحد بخار رخ میدهد. برای این منظور، ابتدا عوامل موثر در افزایش سطح مخزن راهانداز با توجه به دادههای تجربی بدست آمده از یک واحد نیروگاهی شناسایی شده، سپس با انتخاب ویژگی مناسب ابعاد ورودی کاهش یافته است. نتایج تجربی نشان میدهد که تغییر دمای دیوارهها می تواند به عنوان بهترین شاخصه افت کیفیت بخار در نظر گرفته شود. با مقایسه ویژگیهای استخراجی در شرایط سالم و ناسالم، مدل مناسبی از خطا با استفاده از ماشین بردار پشتیبان با تابع پایه شعاعی (RBF) به عنوان هسته آن، تهیه شده است. عملکرد سیستم آشکارساز خطا بر اساس دادههای وقوع دو عیب مشابه در دو بازه زمانی متفاوت از یک واحد بخار نیروگاه بخار بررسی شده است. نتایج حاصل، دقت و قابلیت روش پیشنهادی برای کشف زودهنگام شرایط کارکرد ناسالم در وضعیت تغییر بار واحد را نشان میدهد. مزیت روش پیشنهادی، ممانعت از ایجاد آلارمهای کاذب در بویلرهای نیروگاهی در شرایط تغییر بار است.
In this study, an application of support vector machine (SVM) for early fault detection in increasing the level of the start-up vessel in a Benson type once-through boiler during load changes is presented. The level increasing in the start-up vessel is happened due to thermal conditions disruption inside the boiler especially while the unit load is ramped-down. In this regard, first, the variables effective on increasing the level of start-up vessel was identified based on experimental data from a power plant unit, then the dimension of input variables was reduced by selecting appropriate features. Experimental results show that the hotwell surfaces’ temperature could be considered as the most appropriate indicator for steam quality deterioration. By comparing the extracted features from healthy and unhealthy conditions, appropriate fault model was developed using SVM with radial basis function (RBF) as the kernel. The performances of fault detection system were evaluated with respect to the similar faults at two different time periods happen in a steam power plant. The obtained results show the accuracy and feasibility of the proposed approach in early detection of faults during the unit’s load variations. Advantages of the proposed technique is preventing false alarm in power plants’ boilers as load changes.
شناسایی عیب,استخراج ویژگی,واحد نیروگاهی,ماشین بردار پشتیبان,حالت گذار
Fault detection,Feature Extraction,Power plant unit,Support vector machine,Transient condition
405
411
http://mme.modares.ac.ir/browse.php?a_code=A-15-1000-4443&slc_lang=fa&sid=15
Milad
Moradi
میلاد
مرادی
100319475328460064550
100319475328460064550
No
University of Guilan
دانشگاه گیلان
Ali
Chaibakhsh
علی
چائی بخش لنگرودی
100319475328460064549
100319475328460064549
Yes
Assistant Prof. / University of Guilan
استادیار / دانشگاه گیلان
Amin
Ramezani
امین
رمضانی
100319475328460064543
100319475328460064543
No
Tarbiat Modares University
دانشگاه تربیت مدرس